基于深度学习的异常事件检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究难点与问题 | 第13-14页 |
| 1.4 论文主要研究内容及组织结构 | 第14-16页 |
| 第2章 相关基础知识 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 光流法 | 第16-20页 |
| 2.2.1 光流计算 | 第17-18页 |
| 2.2.2 L-K光流 | 第18-20页 |
| 2.2.3 金字塔L-K光流 | 第20页 |
| 2.3 深度学习方法 | 第20-24页 |
| 2.3.1 人工神经网络 | 第21-23页 |
| 2.3.2 卷积神经网络 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 异常事件检测图像处理 | 第25-35页 |
| 3.1 前期数据准备总体过程 | 第25-26页 |
| 3.2 数据解析 | 第26-27页 |
| 3.3 数据预处理 | 第27-30页 |
| 3.3.1 ROI提取 | 第27-28页 |
| 3.3.2 下采样处理 | 第28-29页 |
| 3.3.3 金字塔L-K光流处理 | 第29-30页 |
| 3.4 数据筛选 | 第30-31页 |
| 3.5 数据增强 | 第31-34页 |
| 3.5.1 翻转变换 | 第31-33页 |
| 3.5.2 反射变换 | 第33页 |
| 3.5.3 噪声扰动 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于深度学习的异常事件检测 | 第35-49页 |
| 4.1 引言 | 第35页 |
| 4.2 异常事件检测总体框架 | 第35-36页 |
| 4.3 GoogleNet网络结构 | 第36-38页 |
| 4.4 模型训练 | 第38-47页 |
| 4.4.1 初始化网络权重 | 第39-40页 |
| 4.4.2 样本封装 | 第40-41页 |
| 4.4.3 模型训练过程 | 第41-46页 |
| 4.4.4 模型测试过程 | 第46-47页 |
| 4.5 异常事件检测 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 实验及性能分析 | 第49-57页 |
| 5.1 实验环境 | 第49页 |
| 5.2 评判标准 | 第49-50页 |
| 5.3 基于深度学习的异常事件检测方法实验及分析 | 第50-56页 |
| 5.3.1 模型训练实验过程及分析 | 第51-53页 |
| 5.3.2 模型测试实验过程及分析 | 第53-54页 |
| 5.3.3 模型检测实验过程及分析 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间承担的科研任务与主要研究成果 | 第62-63页 |
| 致谢 | 第63页 |
